非下采样轮廓波卷积神经网络的极化SAR图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105718957A(43)申请公布日2016.06.29(21)申请号201610051110.X(22)申请日2016.01.26(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人焦李成杨淑媛马丽媛赵佳琦马文萍马晶晶刘红英尚荣华侯彪(74)专利代理机构陕西电子工业专利中心61205代理人王品华朱红星(51)Int.Cl.G06K9/62(2006.01)G06N3/02(2006.01)权利要求书3页说明书6页附图2页(54)发明名称非下采样轮廓波卷积神经网络的极化SAR图像分类方法(57)摘要本发明公开了一种基于非下采样轮廓波卷积神经网络的极化SAR图像分类方法，主要解决现有技术难以避免相干斑噪声的影响及分类精度低的问题，其实现步骤是：对待分类的极化SAR图像进行去噪，对去噪得到的极化散射矩阵S进行Pauli分解；将Pauli分解得到的图像特征组合成特征矩阵F，并对其归一化，记作F1；对每个像素点取F1周围的22×22块，得到基于块的特征矩阵F2；从F2中选取训练数据集和测试数据集；构造非下采样轮廓波卷积神经网络，对训练数据集进行训练；利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类。本发明提高了极化SAR图像特征的表达能力和分类精度，可用于目标识别。CN105718957ACN105718957A权利要求书1/3页1.一种非下采样轮廓波卷积神经网络的极化SAR图像分类方法，包括：(1)对待分类的极化SAR图像进行去噪，得到极化SAR图像滤波后的极化散射矩阵S；(2)对滤波后的极化散射矩阵S进行Pauli分解，将Pauli分解得到的奇次散射、偶次散射、体散射的值作为极化SAR图像的图像特征；(3)将Pauli分解得到的图像特征组合成极化SAR图像的基于像素点的特征矩阵F，每个像素点对应3维Pauli分解特征，并将F中的元素值归一化到[0，1]之间，记作F1；(4)对每个像素点取F1周围22×22的块，得到基于块的特征矩阵F2，即每个像素点对应3个22×22的块；(5)从基于块的特征矩阵F2中选取训练数据集和测试数据集：(5a)将极化SAR图像地物分为15类，分别从每个类别中随机选取N个有标记的像素点作为训练样本D1，其余有标记的像素点作为测试样本T1，N取300～700之间的整数；(5b)用Canny算子提取极化SAR图像的边缘点，在训练样本D1中加入Canny算子提取的边缘点，即增加置信度较高的训练样本，得到更新后的训练数据集D和测试数据集T；(6)构造非下采样轮廓波卷积神经网络：(6a)选择一个由输入层→卷积层→池化层→卷积层→池化层→全连接层→全连接层→softmax分类器组成的8层卷积神经网络，并确定卷积神经网络的滤波器大小以及各层的特征映射图；(6b)用非下采样轮廓波变换层替换卷积神经网络中的第2层卷积层，得到非下采样轮廓波卷积神经网络；(7)用非下采样轮廓波卷积神经网络对训练数据集进行训练；(8)利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类，得到极化SAR图像测试数据集中每个像素点的像素类别。2.根据权利要求1所述的非下采样轮廓波卷积神经网络的极化SAR图像分类方法，其中步骤(1)中对待分类的极化SAR图像进行去噪，采用精致极化LEE滤波法，其步骤如下：(1a)设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为5×5像素；(1b)将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫游一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，每个子窗口的大小为3×3像素，子窗口之间有重叠；(1c)将每个子窗口对应位置的像素值求均值，将所得到的均值构成3×3像素的均值窗口；(1d)选取水平、垂直、45度和135度的四个方向的梯度模版，将均值窗口分别与四个模版进行加权，对所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应的方向作为边缘方向；(1e)从9个子窗口中取中心窗口边缘方向的左右2个子窗口，分别对这2个子窗口内的所有像素值求均值，用得到的2个均值分别减去中心窗口所有像素值的均值，将均值差值中绝对值小的值所对应的子窗口作为方向窗口，其中，中心窗口是指5×5窗口中心的3×3的子窗口；(1f)按照式<1>，得到精致极化LEE滤波的权值：2CN105718957A权利要求书2/3页其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像像素的方差值，y表示方向窗口内极化SAR总功率图像的像素，p表示方向窗口内极化SAR总功率图像所有像素的均值，表示输入的极化SAR图像相干斑噪声的方差值。(1g)按照式<2